analisis keterhubungan hasil studi tahun pertama terhadap prestasi

ANALISIS KETERHUBUNGAN HASIL STUDI TAHUN PERTAMA TERHADAP
PRESTASI BELAJAR MAHASISWA UNIVERSITAS MARITIM RAJA ALI HAJI
DENGAN ALGORITMA APRIORI DAN PERHITUNGAN UJI KORELASI
PEARSON
Widya Kusumawati
Mahasiswa Program Studi Teknik Informatika, FT UMRAH
Martaleli Bettiza, S.Si, M.Sc
Dosen Program Studi Teknik Informatika, FT UMRAH
Hendra Kurniawan, S.Kom., M.Sc.Eng
Dosen Program Studi Teknik Informatika, FT UMRAH
ABSTRAK
Banyaknya data mahasiswa yang telah disimpan hingga bertahun – tahun lamanya
mungkin saja bisa menghasilkan keterhubungan antara satu dengan lainnya yang bisa
digunakan untuk menunjang strategi pembelajaran. Untuk itu penelitian ini menggunakan
algoritma Apriori untuk menemukan keterhubungan dari sembilan matakuliah di semester
satu dan dua dari lima puluh lima mahasiswa angkatan 2012 jurusan Teknik Informatika
Universitas Maritim raja Ali Haji. Hasil yang didapatkan menunjukkan bahwa penerapan
algoritma apriori memiliki nilai confidence 1 dengan mahasiswa yang memperoleh nilai
Bahasa Indonesia A dan Pemograman Berorientasi Objek A dengan SKS diatas 121.
Kemudian untuk menguatkan hasil tersebut dilakukan uji korelasi dengan pearson yang
menunjukkan ada relasi antara matakuliah wajib yang diambil dengan prestasi (IPK) dimana
matakuliah Algoritma Pemograman memiliki tingkat korelasi tertinggi.
Kata Kunci : Algoritma apriori, korelasi pearson
1
ABSTRACT
The number of student data that has been stored up for many - years may be able to
produce a connection between one another that can be used to support learning strategies .
For this study using Apriori algorithm to find the connectedness of the nine subjects in
semesters one and two of the fifty- five student class of 2012 Maritime University
Department of Information Engineering Raja Ali Haji . The results obtained show that the
algorithm algorithm has a priori confidence value 1 with students who obtain a value of
Indonesian and Object Oriented Programming A with SKS above 121. Then to reinforce the
results of the test conducted by the Pearson correlation that shows no relationship between
the compulsory subjects taken by achievement ( GPA ) and the variable course Programming
algorithm has the highest correlation level .
Keywords: Apriori algorithm, pearson correlation
I. PENDAHULUAN
Peningkatan
jumlah
perekaman data secara digitalisasi,
diikuti dengan penurunan biaya
media penyimpanan, menyebabkan
banyak informasi yang terekam
dan hanya mengalami proses
sederhana seperti pencarian data.
Sementara data tersebut dalam
kuantiti yang besar mengandung
suatu informasi latin yang dapat
mendeskripsikan
pola
atau
mendeskripsikan
suatu
trend,
dimana informasi tersebut tidak
dapat hanya melalui pengolahan
data biasa (Matulatan dkk., 2015).
Perguruan tinggi salah satu
institusi yang secara massive
melakukan
perekaman
data
kegiatan akademik baik pengajar
maupun peserta ajar. Data yang
sangat banyak tersebut umumnya
hanya dimanfaatkan sebagai rekam
jejak
pelaksanaan
akademik
maupun
administrasi
lainnya
seperti informasi status mahasiswa,
nilai atau hal lain yang langsung
berkenaan dengan perekaman data
(Matulatan dkk., 2015).
Data mining adalah suatu
istilah yang digunakan untuk
menguraikan
penemuan
pengetahuan di dalam database.
Data mining adalah proses yang
menggunakan teknik statistik,
matematika, kecerdasan buatan,
dan machine learning untuk
mengekstraksi
dan
mengidentifikasi informasi yang
bermanfaat dan pengetahuan yang
terkait dari berbagai database besar
(Turban dkk., 2005).
Para pengambil kebijakan
maupun para pengajar juga
biasanya menggunakan rekam data
tersebut untuk melakukan evaluasi
maupun strategi pengajaran, namun
masih terbatas dalam hal yang
bersifat proses sederhana seperti
query.
Dengan
menggunakan
teknik
data
mining
maka
diharapkan informasi yang dapat
diperoleh lebih dari sekedar
penelusuran query melainkan suatu
informasi
baru
(Knowledge
Discovery) tentang hal yang saling
berhubungan yang mungkin ada
dalam rekam data pelaksanaan
akademik
mahasiswa
pada
Universitas Maritim Raja Ali Haji.
Pada penelitian sebelumnya
oleh Matulatan dkk. (2012),
mengenai Uji Korelasi pada Data
Mining Positive Association Rules
Kegiatan Akademik Mahasiswa
Fakultas
Teknik
Universitas
Maritim Raja Ali Haji, dimana
teknik positive association rules
yang digunakan dalam penelitian
ini tidak menetapkan satu tujuan
2
yang ingin diraih melainkan
menemukan pola bebas yang
berada dalam basis data. Adanya
informasi
baru
yang
tidak
ditentukan sebelumnya menjadikan
informasi ini kandidat untuk di uji
ke absahan (validitas) temuan yang
dihasilkan dengan menggunakan
metode uji korelasi yang sudah
mapan.
Adapun metode lain yang
digunakan penulis dalam penelitian
ini adalah metode Apriori dimana
metode Apriori adalah salah satu
algoritma
yang
melakukan
pencarian frequent itemset dengan
menggunakan teknik association
rule.
Algoritma
Apriori
menggunakan
pengetahuan
frekuensi atribut yang telah
diketahui
sebelumnya
untuk
memproses informasi selanjutnya.
Pada
algoritma
Apriori
menentukan
kandidat
yang
mungkin muncul dengan cara
memperhatikan minimum support
dan minimum confidence. Support
adalah nilai pengunjung atau
persentase kombinasi sebuah item
dalam
database,
sedangkan
confidence adalah nilai kepastian
yaitu kuatnya hubungan antar item
dalam sebuah Apriori (Erwin,
2009). Yang mana nantinya metode
Apriori ini dapat menemukan hasil
terbaik kemudian hasil dari temuan
tersebut juga akan di proses dan
diuji dengan metode korelasi
sehingga ke absahan hasil yang di
dapat bisa lebih valid dari
penelitian sebelumnya.
Berdasarkan
penjelasan
latar belakang diatas maka penulis
membuat suatu penelitian yang
berjudul “Analisis Keterhubungan
Hasil Studi Tahun Pertama
Terhadap
Prestasi
Belajar
Mahasiswa Universitas Maritim
Raja Ali Haji dengan Algoritma
Apriori dan Perhitungan
Korelasi Pearson”.
Uji
II. KAJIAN LITERATUR
A. Kajian Terdahulu
Matulatan
dkk.
(2015),
pada
penelitianya yang berjudul Uji Korelasi
pada Data Mining Positive Association
Rules Kegiatan Akademik Mahasiswa
Fakultas Teknik Universitas Maritim Raja
Ali Haji. Menjelaskan tentang penggalian
Data Mining dalam kegiatan akademik
mahasiswa
pada
fakultas
teknik
Universitas Maritim Raja Ali Haji
menggunakan positive association rules
dimana segala pola kemungkinan di buat
dan di uji cobakan atas data akademik
proses perkuliahan selama masa 20082012, dimana fakultas teknik sudah
memiliki alumni. Berbeda dengan
beberapa teknik pemrosesan data untuk
mencapai satu tujuan yang telah ditetapkan
sebelumnya, teknik positive association
rules ini tidak menetapkan satu tujuan
yang telah di tetapkan sebelumnya, teknik
positive association rules ini tidak
menetapkan satu tujuan yang di raih
melainkan menemukan pola bebas yang
berada dalam basis data. Adanya informasi
baru yang tidak di tentukan sebelumnya
menjadikan informasi ini kandidat untuk di
uji ke absahan (validitas) temuan yang
dihasilkan dengan menggunakan metode
uji korelasi yang sudah mapan.
Tampubolon dkk. (2013), pada
penelitianya yang berjudul Implementasi
Data Mining algoritma Apriori pada
Sistem Alat-Alat Persedian Kesehatan.
Menjelaskan tentang pentingnya sistem
persediaan barang di suatu Apotek dan
jenis barang apa yang menjadi prioritas
utama
yang harus
distok
untuk
mengantisipasi
kekosongan
barang.
Karena minimnya stok barang dapat
berpengaruh pada pelayanan konsumen
dan pendapatan Apotek. Oleh sebab itu
ketersediaan berbagai jenis alat-alat
kesehatan di Apotek sebagai salah satu
supplier alat alat kesehatan, mutlak untuk
mendukung kelancaran penyalurannya
3
kepada konsumen, sehingga aktivitas
pelayanan konsumen berjalan dengan baik.
Seiring dengan masalah diatas, data
mining mampu menciptakan lingkungan
bisnis yang inteligen, untuk menghadapi
semakin tingginya tingkat persaingan
bisnis Apotek dimasa yang akan datang.
Yanto dkk. (2015), melakukan
penelitian tentang Implementasi Data
Mining dengan Metode Algoritma Apriori
dalam Menentukan Pola Pembelian Obat.
Data mining merupakan proses untuk
mendapatkan informasi yang berguna dari
gudang basis data yang berupa ilmu
pengetahuan. Penelitian ini melakukan
analisa data dengan menggunakan data
mining dan metode algoritma Apriori.
Hasil pengujian dengan algoritma Apriori
dan sistem yang dibangun menunjukan
hasil yang telah memenuhi kebutuhan
dalam penentuan pola pembelian obat
berdasarkan kecenderungan pembelian
obat oleh pelanggan.
Telusa (2013), yang melakukan
penelitian tentang Penerapan Analisis
Korelasi Parsial untuk Menentukan
Hubungan Pelaksanaan Fungsi Manajemen
Kepegawaian dan Efektivitas Kerja
Pegawai. Korelasi parsial digunakan untuk
mempelajari hubungan murni antara
sebuah variabel bebas (X1) dengan
variabel terikat (Y) dengan mengendalikan
atau mengontrol variabel – variabel bebas
(X2 dan X3) yang diduga mempengaruhi
hubungan antara variabel X1 dengan Y.
Penelitian ini bertujuan untuk mengetahui
bagaimana hubungan pelaksanaan fungsi
manajemen
kepegawaian
dengan
efektivitas kerja pegawai.
Harahap (2013), yang melakukan
penelitian tentang Perancangan Aplikasi
Prediksi Kecelakaan Lalu Lintas di Percut
Sei Tuan dengan Menggunakan Algoritma
Apriori. Kecelakaan lalu lintas timbul
karena adanya interaksi antara eksposur
dan resiko. Secara umum, eksposur dapat
didefenisikan sebagai jumlah situasi yang
potensial menyebabkan suatu jenis
kecelakaan akan terjadi pada suatu waktu
dan lokasi tertentu, sedangkan resiko
adalah
probabilitas
bahwa
suatu
kecelakaan akan terjadi jika suatu situasi
potensial kecelakaan telah timbul.
Algoritma Apriori termasuk jenis aturan
asosiasi pada data mining. Langkah yang
membutuhkan pemrosesan lebih adalah
penemuan frequent-itemset. Algoritma
untuk
menemukan
frequent-itemset
berdasar pada sifat frequent-itemset.
Pane (2013), yang melakukan
penelitian tentang Implementasi Data
Mining pada Penjualan Produk Elektronik
dengan Algoritma Apriori. Salah satu
tahap analisis asosiasi yang menarik
perhatian
banyak
peneliti
untuk
menghasilkan algoritma yang efisien
adalah analisis pola frekuensi tinggi
(frequent pattern mining). Penting
tidaknya suatu asosiasi dapat diketahui
dengan dua tolak ukur, yaitu : support dan
confidence. Support (nilai penunjang)
adalah persentase kombinasi item tersebut
dalam database, sedangkan confidence
(nilai kepastian) adalah kuatnya hubungan
antar-item
dalam
aturan
asosiasi.
Algoritma Apriori dapat membantu untuk
pengembangan strategi pemasaran.
Peraturan menteri pendidikan dan
kebudayaan Republik Indonesia (2014)
tentang standar nasional pendidikan tinggi
No.49 Pasal 24 mengenai mahasiswa
program sarjana. Membagi capaian
pembelajaran lulusan yang ditargetkan
oleh program studi dengan indeks prestasi
kumulatif (IPK) dalam 3 kategori yaitu
memuaskan, sangat memuaskan, dan
pujian.
B. Landasan Teori
a. Data Mining
Data mining adalah suatu istilah yang
digunakan
untuk
menguraikan
penemuan pengetahuan
di dalam
database. Data mining adalah proses
yang menggunakan teknik statistik,
matematika, kecerdasan buatan, dan
machine learning untuk mengekstraksi
dan mengidentifikasi informasi yang
4
bermanfaat dan pengetahuan yang
terkait dari berbagai database besar
(Turban dkk., 2005).
Pembelajaran
berbasis
induksi
(induction – based – learning) adalah
proses pembentukan definisi – definisi
konsep umum yang dilakukan dengan
cara mengobservasi contoh – contoh
spesifik dari konsep – konsep yang
akan dipelajari. Knowledge discovery
in database (KDD) adalah penerapan
metode saintifik pada data mining.
Dalam konteks ini data mining
merupakan satu langkah dari proses
KDD (Hermawati, 2013).
b. Algoritma Apriori
Algoritma Apriori termasuk jenis aturan
asosiasi pada data mining. Aturan yang
menyatakan asosiasi antara beberapa
atribut sering disebut affinity analisis atau
market basket analisis. Analisis asosiasi
atau association rule mining adalah teknik
data mining untuk menemukan aturan
suatu kombinasi item. Salah satu tahap
analisis asosiasi yang menarik perhatian
banyak peneliti untuk menghasilkan
algoritma yang efisien adalah analisis
(Pane, 2013).
Penting tidaknya suatu asosiasi dapat
diketahui dengan dua tolak ukur, yaitu :
support dan confidence. Support (nilai
penunjang) adalah persentase kombinasi
item tersebut dalam database, sedangkan
confidence (nilai kepastian) adalah
kuatnya hubungan antar-item dalam aturan
Asosiasi (Pane, 2013).
Di bawah ini adalah aturan tahapantahapan pembentukan Algoritma Apriori:
Analisis Pola Frekuensi Tinggi
dengan Algoritma Apriori
Tahap ini mencari kombinasi item yang
memenuhi syarat minimum dari nilai
support dalam basis data. Nilai support
sebuah
item
diperoleh
dengan
menggunakan rumus berikut:
( )
Sementara, nilai support dari 2 item
diperoleh dengan menggunakan rumus :
(
)
Frequent itemset menunjukkan itemset
yang memiliki frekuensi kemunculan lebih
dari nilai minimum yang ditentukan (ø ).
Misalkan = 2, maka semua itemsets yang
frekuensi kemunculannya lebih dari atau
sama dengan 2 kali disebut frequent.
Himpunan dari frequent k-itemset
dilambangkan dengan Fk.
Pembentukan Aturan Asosiasi
Setelah semua pola frekuensi tinggi
ditemukan, barulah dicari aturan asosiasi
yang memenuhi syarat minimum untuk
confidence dengan menghitung confidence
aturan asosiatif A→B. Nilai confidence
dari aturan A→ B diperoleh dengan rumus
berikut:
Untuk menentukan aturan asosiasi yang
akan dipilih maka harus diurutkan
berdasarkan Support × Confidence. Aturan
diambil sebanyak n aturan yang memiliki
hasil terbesar.
Proses utama yang dilakukan dalam
algoritma Apriori untuk mendapat frequent
itemset yaitu (Erwin, 2009) :
1. Join (penggabungan)
Proses ini dilakukan dengan cara
pengkombinasian item dengan item yang
lainnya hingga tidak dapat terbentuk
kombinasi lagi.
2. Prune (pemangkasan)
Proses pemangkasan yaitu hasil
dari item yang telah dikombinasikan
kemudian dipangkas dengan menggunakan
minimum support yang telah ditentukan
oleh user.
Algoritma apriori dibagi menjadi beberapa
tahap yang disebut narasi atau pass (Devi
Sugianti dan Indrayani, 2015):
3. Pembentukan kandidat itemset
Kandidat itemset dibentuk dari
kombinasi k-itemset dibentuk dari
kombinasi (k-1)-itemset yang didapat dari
iterai sebelumnya. Satu cara dari algoritma
apriori adalah pemangkasan kandidat k5
itemset yang subsetnya berisi k-1 item
tidak termasuk dalam pola frekuensi tinggi
dengan panjang k-1.
Perhitungan
support
dan
confidence dari tahap kandidat k-itemset.
Support dari tiap kandidat k-itemset
didapat dengan menscan database untuk
menghitung jumlah transaksi yang memuat
semua item didalam kandidat k-itemset
tersebut. Ini adalah juga ciri dari algoritma
apriori dimana diperlukan perhitungan
dengan cara seluruh database sebanyak kitemset terpanjang.
Tetapkan pola frekuensi tinggi.
Pola frekuensi tinggi. Pola frekuensi tinggi
yang memuat k item atau k itemset yang
supportnya lebih dari minimum support.
Bila tidak didapat pola frekuensi
tinggi baru maka seluruh proses
dihentikan.
Berdasarkan pedoman diatas data yang
semakin mendekati 1 maka data tersebut
semakin valid.
A. Metode Pengembangan Sistem
Pada tahap pengembangan sistem
terdiri dari proses-proses yang terstruktur
yaitu analisa kebutuhan, desain sistem,
penulisan kode program, pengujian
program,
penerapan
program
dan
pemeliharaan. Metode pengembangan ini
dikenal dengan model Waterfall menurut
Pressman
III. PERANCANGAN
ALGORITMA APRIORI
c. Korelasi
Hauke, dkk. (2011) Uji korelasi
dimaksudkan untuk mengetahui tingkat
keeratan hubungan yang dimiliki antar
variabel dalam penelitian. Korelasi antara
variabel
dapat
diukur
dengan
menggunakan indeks yang berbeda. Salah
satu korelasi yang sering digunakan adalah
pearson . Koefisien korelasi pearson
adalah ukuran kekuatan hubungan linear
antara dua variabel. Dasar pengambilan
keputusan dalam uji korelasi pearson
adalah :
Kriteria tingkat hubungan (koefisien
korelasi) antar variabel berkisar antara
0,00 sampai ± 1,00 tanda + menyatakan
korelasi positif dan tanda – menyatakan
korelasi
negatif.
Adapun
kriteria
penafsiran adalah :



|0,00 sampai 0,20, artinya : hampir
tidak ada korelasi
0,21 sampai 0,40, artinya : korelasi
rendah 0,41 sampai 0,60, artinya :
korelasi sedang 0,61 sampai 0,80,
artinya : korelasi tinggi
0,81 sampai 1,00, artinya : korelasi
sempurna
Gambar 1. Flowchart proses algoritma
apriori
6
Gambar 4. Form tampilan awal
Gambar 5. Form hasil algoritma apriori
Gambar 2. Flowchart proses uji korelasi
A. Implementasi
Gambar 14. Form data entry
IV. HASIL DAN PEMBAHASAN
A. Pembentukan kandidat itemset
Pembentukan kandidat pertama
Proses pembentukan kandidat
pertama (C1) dapat dilihat di tabel 2
dengan jumlah minimum support 0.40
dengan rumus sebagai berikut:
Gambar 3. Form login
support
(A)=(Jumlah
transaksi
mengandung A)/(Total transaksi)
Tabel 1. Pembentukan kandidat pertama
(C1)
7
itemset
AGAMA_A
AGAMA_B
B.INDO_A
B.INDO_B
P.PANCASILA_B
KALKULUS1_A
KALKULUS1_B
KALKULUS1_C
PRPL_A
PRPL_B
ALPRO_A
ALPRO_B
BD_A
BD_B
BD_C
PBO_A
PBO_B
PBO_C
PER.WEB_A
PER.WEB_B
PER.WEB_C
Sangat Memuaskan
Memuaskan
KURANG
CUKUP
COUNT
7
1
7
1
8
4
2
2
5
3
7
1
6
1
1
4
2
2
4
3
1
5
3
3
5
Support
0.875
0.125
0.875
0.125
1.000
0.500
0.250
0.250
0.625
0.375
0.875
0.125
0.750
0.125
0.125
0.500
0.250
0.250
0.500
0.375
0.125
0.625
0.375
0.375
0.625
Minimum support yang telah
ditentukan adalah 0.65, jadi jika ada
itemset yang tidak memenuhi minimum
support akan dihapus. Hasil pemangkasan
kandidat itemset dapat dilihat di tabel 3 di
bawah ini:
Tabel 2. Hasil pemangkasan kandidat
pertama
itemset
AGAMA_A
B.INDO_A
P.PANCASILA_B
ALPRO_A
BD_A
COUNT
7
7
8
7
6
Support
0.875
0.875
1.000
0.875
0.750
b) Pembentukan kandidat kedua
Setelah
dilakukan
proses
pemangkasan, hasil pemangkasan kadidat
pertama dijadikan kandidat kedua seperti
tabel 4. Proses pembentukan kandidat
kedua
(C2)
dapat
diselesaikan
menggunakan rumus sebagai berikut:
(
)
itemset
count Support
AGAMA_A,B.INDO_A
6
0.750
AGAMA_A,P.PANCASILA_B
7
0.875
AGAMA_A,ALPRO_A
6
0.750
AGAMA_A,BD_A
6
0.750
B.INDO_A,P.PANCASILA_B
7
0.875
B.INDO_A,ALPRO_A
6
0.750
B.INDO_A,BD_A
6
0.750
P.PANCASILA_B,ALPRO_A
7
0.875
P.PANCASILA_B,BD_A
6
0.750
ALPRO_A,BD_A
5
0.625
Minimum support yang telah
ditentukan adalah 0.65, jadi jika ada
itemset yang tidak memenuhi minimum
support akan dihapus. Hasil pemangkasan
kandidat itemset dapat dilihat di tabel di
bawah ini:
itemset
AGAMA_A,B.INDO_A
AGAMA_A,P.PANCASI
LA_B
AGAMA_A,ALPRO_A
AGAMA_A,BD_A
B.INDO_A,P.PANCASIL
A_B
B.INDO_A,ALPRO_A
B.INDO_A,BD_A
P.PANCASILA_B,ALPR
O_A
P.PANCASILA_B,BD_A
cou
nt
6
Suppo
rt
0.750
7
6
6
0.875
0.750
0.750
7
6
6
0.875
0.750
0.750
7
6
0.875
0.750
8
c) Pembentukan kandidat ketiga
itemset
AGAMA_A,B.INDO_A,P.PANCAS
ILA_B
jumlah
support
6
0.750
aturan
{B.INDO_A}{P.PANCASILA_
B}
{AGAMA_A}
{P.PANCASILA_B}
AGAMA_A,B.INDO_A,ALPRO_A
5
0.625
{BD_A}{B.INDO_A}
AGAMA_A,B.INDO_A,BD_A
AGAMA_A,P.PANCASILA_B,AL
PRO_A
B.INDO_A,P.PANCASILA_B,ALP
RO_A
B.INDO_A,P.PANCASILA_B,BD_
A
P.PANCASILA_B,ALPRO_A,BD_
A
6
0.750
{BD_A}{P.PANCASILA_B}
6
0.750
6
0.750
6
0.750
5
0.625
Minimum support yang telah
ditentukan adalah 0.65, jadi jika ada
itemset yang tidak memenuhi minimum
support akan dihapus. Hasil pemangkasan
kandidat itemset dapat dilihat di tabel di
bawah ini
itemset
AGAMA_A,B.INDO_A,P.PANCASILA_B
AGAMA_A,B.INDO_A,BD_A
AGAMA_A,P.PANCASILA_B,ALPRO_A
B.INDO_A,P.PANCASILA_B,ALPRO_A
B.INDO_A,P.PANCASILA_B,BD_A
Karena item yang tersisa tidak dapat
membentuk kombinasi lagi, maka proses
pencarian frequent itemset dihentikan dan
dilanjutkan dengan langkah selanjutnya
yaitu pembentukan aturan asosiasi
(Association Rule).
support
confidence
0.875
1.00
0.875
1.00
0.750
1.00
0.750
1.00
0.75
1.00
0.75
1.00
0.75
1.00
0.75
1.00
0.75
1.00
0.75
1.00
0.75
1.00
0.75
1.00
0.75
1.00
0.75
1.00
0.75
1.00
0.75
1.00
0.75
1.00
0.75
1.00
0.75
1.00
0.75
1.00
0.75
1.00
{BD}{AGAMA_A,B.INDO_A}
{BD_A,AGAMA_A}{B.INDO_
A}
{BD_A,B.INDO_A}}{AGAMA
_A}
{B.INDO_A}{BD_A,AGAMA_
A}
{ALPRO_A}{AGAMA_A,P.PA
NCASILA_B}
{BD_A}{B.INDO_A,P.PANCA
SILA_B}
{BD_A,B.INDO_A}{P.PANCA
SILA_B}
{BD_A,PANCASILA_B}{B.IN
DO_A}
{ALPRO_A,AGAMA_A}{PAN
CASILA_B}
jumlah
support
{AGAMA_A,B.INDO_A}{P.PA
6 NCASILA_B,BD_A}
0.750
6 {AGAMA_A,B.INDO_A,P.PA
0.750
NCASILA_B{BD_A}
6
0.750
{B.INDO_A,AGAMA_A}{P.PA
6 NCASILA_B,BD_A}
0.750
6 {B.INDO_A,AGAMA_A,P.PA
0.750
NCASILA_B}{BD_A}
{P.PANCASILA_B,
B.INDO_A,AGAMA_A}{BD_
A}
{BD_A}{P.PANCASILA_B,B.I
NDO_A,AGAMA_A}
{BD_A,P.PANCASILA_B}{B.I
NDO_A,AGAMA_A}
{BD_A,P.PANCASILA_B,B.IN
DO_A}{AGAMA_A}
1) Pembentuan aturan asosiasi
Setelah semua pola frekuensi
tinggi ditemukan barulah dicari aturan
asosiasi yang memenuhi syarat minimum
confidence dengan menghitung confidence
aturan asosiatif A→B, untuk minimum
confidence adalah 0.9. Nilai confidence
dari aturan A→B diperoleh dengan rumus
berikut:
b) Hasil perhitungan uji korelasi
IPK
KALKULU
S1
Sig. (2tailed)
,000
PRPL
Sig. (2tailed)
,000
BD
Sig. (2tailed)
,000
ALPRO
Sig. (2-
,000
9
tailed)
PBO
Sig. (2tailed)
,000
B.INDO
Sig. (2tailed)
,008
AGAMA
Sig. (2tailed)
,105
P.PANCASI
LA
Sig. (2tailed)
,036
PER.WEB
Sig. (2tailed)
SKS
KALKULU
S1
Sig. (2tailed)
,000
BD
Sig. (2tailed)
,000
PBO
Sig. (2tailed)
,000
ALPRO
Sig. (2tailed)
,001
PRPL
Sig. (2tailed)
,001
B.INDO
Sig. (2tailed)
,010
AGAMA
Sig. (2tailed)
,105
P.PANCASI
LA
Sig. (2tailed)
,049
PER.WEB
Sig. (2tailed)
,091
,085
Hasil output SPSS variabel
matakuliah terhadap PRESTASI (IPK)
seperti pada tabel 25 sebelumnya
menunjukkan bahwa variabel matakuliah
KALKULUS 1,PRPL, BD, ALPRO,PBO
memiliki nilai sig < 0,005, sedangkan
variabel
AGAMA,
B.INDO,
P.PANCASILA DAN P.WEB yang
memiliki nilai sig > 0,005. Hal ini
membuktikan bahwa matakuliah memiliki
korelasi
yang
signifikan
terhadap
PRESTASI.
Hasil output SPSS variabel matakuliah
terhadap PRESTASI (SKS) seperti pada
tabel 26 sebelumnya menunjukkan bahwa
variabel matakuliah KALKULUS 1,PRPL,
BD, ALPRO,PBO memiliki nilai sig <
0,005,
sedangkan
variabel
AGAMA,B.INDO P.PANCASILA DAN
P.WEB yang memiliki nilai sig > 0,005.
Hal ini membuktikan bahwa matakuliah
memiliki korelasi yang signifikan terhadap
PRESTASI.
V.PENUTUP
A. Kesimpulan
1. Dari
hasil
perhitungan
menggunakan algoritma apriori
yang memiliki pengaruh tinggi
dalam keterhubungan hasil study
awal semester dengan prestasi
akademik dengan minimum support
yang diuji 0.40 dan minimum
confidence 0.90 adalah mahasiswa
yang mengambil matakuliah Basis
data dengan nilai A, Bahasa
Indonesia dengan nilai A, Agama
dengan nilai A dan Pendidikan
Pancasila dengan nilai B
2. Sedangkan
menggunakan
uji
korelasi pearson yang memiliki
pengaruh tinggi dalam hasil study
awal semester dengan prestasi
belajar
adalah
matakuliah
Algoritma
Pemograman,
Pemograman Berorientasi Objek,
Bahasa Indonesia dan Kalkulus1
B.
Saran
Penelitian
kedepannya
untuk
pengembangan Data Mining lebih lanjut
menggunakan algoritma lain misalnya
dengan algoritma FP-Growth yang mana
algoritma FP-Growth hanya melakukan
10
satu kali scan database diawal.Selain itu
penelitian
berikutnya
agar
dapat
membandingkan algortma apriori dengan
metode yang lain agar bisa diketahui
keakuratan item pada algoritma dan juga
dapat menggunakan metode uji korelasi
yang lain untuk mendapatkan hasil yang
lebih akurat.
DAFTAR PUSTAKA
Erwin, 2009, Analisis Market Basket
dengan Algoritma Apriori dan Fp-Growth,
Fakultas
Ilmu
Komputer,
Universitas Sriwijaya, Sumatera
Selatan Jurnal, 4(2).
Hauke, J., dan Kossowski, T., Comparison
Of Values Of Pearson’s And
Spearman’s
Correlation
Coefficients On The Same Sets Of
Data, Quaestiones Geographicae,
30(2).
Sugianti,D.,
dan
Indrayani,
2013,
Penerapan Algoritma Apriori untuk
Rekomendasi Peminjaman Buku di
Perpustakaan STMIK Widya
Pratama, 5(1)
Sugianti, D., dan Indrayanti,
Penerapan Algoritma apriori untuk
rekomendasi
2015,
Harahap, C.S.N., 2013, Perancangan
Aplikasi Prediksi Kecelakaan Lalu Lintas
di Percut Sei Tuan Dengan
Menggunakan
Algoritma
Apriori,Informatika Budi darma, 5
(3).
Hermawati dan Astuti, 2009,
Mining, Andi, Yogyakarta.
Data
Kusrini dan Luthfi, E.T., 2009, Algoritma
Data Mining, Andi,
Yogyakarta.
Matulatan, T., Bettiza, M., dan Nikentari,
N., 2015, Uji Korelasi pada Data
Mining Positive Association Rules
Kegiatan Akademik Mahasiswa
Fakultas
Teknik
Universitas
Maritim Raja Ali Haji, Fakultas
Teknik Universitas Maritim Raja
Ali Haji, Tanjungpinang.
Pane, D.K., 2013, Implementasi Data
Mining Pada Penjualan Produk Elektronik
dengan
Algoritma
Apriori,
Informatika Budi darma, 4(3)
.
Telussa, A.M., Persulessy, E.R., dan
Leleury, Z.A, 2013, Penerapan Analisis
Korelasi
Parsial
Untuk
Menentukan
Hubungan
Pelaksanaan Fungsi Manajemen
Kepegawaian dan Efektivitas Kerja
Pegawai, Jurnal Barekeng, 7(1).
11